論文の概要: Towards an Hybrid Hodgkin-Huxley Action Potential Generation Model
- arxiv url: http://arxiv.org/abs/2304.01346v1
- Date: Wed, 15 Mar 2023 22:39:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-16 22:41:44.611397
- Title: Towards an Hybrid Hodgkin-Huxley Action Potential Generation Model
- Title（参考訳）: ハイブリッドホジキン・ハクスリー行動電位生成モデルに向けて
- Authors: Lautaro Estienne
- Abstract要約: 2つの簡単な測定値のみを用いてホジキン・ハクスリーモデルのパラメトリック関数を見つける可能性を検討する。
元のHodgkin-Huxleyモデルから生成されたデータを用いて実験を行った。
その結果、最小限のデータ量でトレーニングされた単純な2層人工ニューラルネットワークアーキテクチャは、アクションポテンシャル生成の基本的な妥当性をモデル化することを学ぶことができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mathematical models for the generation of the action potential can improve
the understanding of physiological mechanisms that are consequence of the
electrical activity in neurons. In such models, some equations involving
empirically obtained functions of the membrane potential are usually defined.
The best known of these models, the Hodgkin-Huxley model, is an example of this
paradigm since it defines the conductances of ion channels in terms of the
opening and closing rates of each type of gate present in the channels. These
functions need to be derived from laboratory measurements that are often very
expensive and produce little data because they involve a time-space-independent
measurement of the voltage in a single channel of the cell membrane. In this
work, we investigate the possibility of finding the Hodgkin-Huxley model's
parametric functions using only two simple measurements (the membrane voltage
as a function of time and the injected current that triggered that voltage) and
applying Deep Learning methods to estimate these functions. This would result
in an hybrid model of the action potential generation composed by the original
Hodgkin-Huxley equations and an Artificial Neural Network that requires a small
set of easy-to-perform measurements to be trained. Experiments were carried out
using data generated from the original Hodgkin-Huxley model, and results show
that a simple two-layer artificial neural network (ANN) architecture trained on
a minimal amount of data can learn to model some of the fundamental proprieties
of the action potential generation by estimating the model's rate functions.
- Abstract（参考訳）: 作用電位の生成に関する数学的モデルは、ニューロンの電気活動の結果となる生理的メカニズムの理解を改善することができる。
このようなモデルでは、膜電位の経験的に得られた関数を含む方程式が通常定義される。
これらのモデルの中で最もよく知られているホジキン・ハクスリーモデル(英語版)は、チャネルに存在する各種類のゲートの開度と閉度でイオンチャネルの伝導度を定義するため、このパラダイムの例である。
これらの機能は、しばしば非常に高価であり、細胞膜の単一チャネルにおける電圧の時間的非依存的な測定を含むため、データが少ない実験室の測定から導かれる必要がある。
本研究では,Hodgkin-Huxleyモデルのパラメトリック関数を,時間関数としての膜電圧と,その電圧を誘導する電流の2つの単純な測定値と,これらの関数を推定するためにDeep Learning法を適用する可能性を検討する。
これは、元々のホジキン・ホクスリー方程式と、訓練に簡単な測定セットを必要とする人工ニューラルネットワークによって構成された、アクションポテンシャル生成のハイブリッドモデルをもたらす。
ホジキン・ハクスリーモデル(hodgkin-huxley model)から生成されたデータを用いて実験を行い、最小データ量で訓練された単純な2層人工ニューラルネットワーク(ann)アーキテクチャを用いて、モデルの速度関数を推定することで、アクションポテンシャル生成の基本特性のいくつかをモデル化できることを実証した。
関連論文リスト
- Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。
PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。
得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
論文 参考訳（メタデータ） (2024-04-30T19:31:31Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Physics-constrained neural differential equations for learning
multi-ionic transport [0.0]
我々は,ポリアミドナノ孔間のイオン輸送挙動を学習する物理インフォームド深層学習モデルを開発した。
ニューラル・ディファレンシャル・方程式を古典的閉包モデルと組み合わせて、ニューラル・フレームワークに直接帰納バイアスとして利用する。
論文 参考訳（メタデータ） (2023-03-07T17:18:52Z) - Discovery of sparse hysteresis models for piezoelectric materials [1.3669389861593737]
本稿では, スパース・レグレッション法を用いて圧電材料をモデル化する手法を提案する。
提案したアプローチは、従来の回帰ベースのニューラルネットワーク手法と比較され、その効率性と堅牢性を示している。
論文 参考訳（メタデータ） (2023-02-10T15:21:36Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Discovery of the Hidden State in Ionic Models Using a Domain-Specific
Recurrent Neural Network [0.0]
イオンモデルの符号化に特化して設計されたリカレントニューラルネットワークアーキテクチャについて述べる。
ネットワークは、まず、一組のODEで符号化された理論モデルを学び、次に実験データで再訓練する。
我々は、模擬心室活動電位信号を用いてGNNネットワークを試験し、それがイオン電流の生理学的に可能な変化を誘発できることを示した。
論文 参考訳（メタデータ） (2020-11-14T21:13:41Z) - Supervised Autoencoders Learn Robust Joint Factor Models of Neural
Activity [2.8402080392117752]
神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。
予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。
本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
論文 参考訳（メタデータ） (2020-04-10T19:31:57Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。